Leistung von Vektorabfragen in AlloyDB for PostgreSQL optimieren

Durch das Optimieren Ihrer Vektorindizes in AlloyDB for PostgreSQL können Sie die Abfrageausführungsgeschwindigkeit und den Such-Recall für Ihre Vektorsuch-Arbeitslasten optimieren. Sie können die Indexerstellungs- und Suchparameter für ScaNN-, IVF-, IVFFlat- und HNSW-Indexe an die Größe Ihres Datasets und Ihre Leistungsanforderungen anpassen.

Hinweis

Bevor Sie einen ScaNN-Index erstellen, müssen Sie Folgendes tun:

ScaNN-Index optimieren

In der folgenden Tabelle finden Sie Informationen dazu, wie Sie die Anzahl der Ebenen für Ihren ScaNN-Index bestimmen.

Anzahl der Vektorzeilen in der Tabelle Anzahl der Ebenen für Ihren ScaNN-Index
[0..10 Millionen] Zwei
[10 Millionen..100 Millionen]

Wählen Sie einen der folgenden Messwerte aus, um ihn zu priorisieren:

  • Such-Recall: zwei
  • Index-Build-Zeit: drei
[100 Millionen..1 Milliarde]

Wählen Sie einen der folgenden Messwerte aus, um ihn zu priorisieren:

  • Sucherinnerung: drei
  • Index build time: four
[1 Milliarde..10 Milliarden] Vier

Verwenden Sie die folgenden ScaNN-Indizes als Beispiele für die Abstimmung von Parametern für eine Tabelle mit 1 Million Zeilen.

Zweistufiger Baumindex

SET LOCAL scann.num_leaves_to_search = 1;
SET LOCAL scann.pre_reordering_num_neighbors=50;

CREATE INDEX my_scann_index ON my_table
       USING scann (vector_column cosine)
WITH (num_leaves = [power(1000000, 1/2)]);

Baumindex mit drei Ebenen

SET LOCAL scann.num_leaves_to_search = 10;
SET LOCAL scann.pre_reordering_num_neighbors=50;

CREATE INDEX my_scann_index ON my_table
       USING scann (vector_column cosine)
WITH (num_leaves = [power(1000000, 2/3)], max_num_levels = 2);

Baumindex mit vier Ebenen

SET LOCAL scann.num_leaves_to_search = 100;
SET LOCAL scann.pre_reordering_num_neighbors=50;

CREATE INDEX my_scann_index ON my_table
       USING scann (vector_column cosine)
WITH (num_leaves = [power(1000000, 3/4)], max_num_levels = 3);

Weitere Informationen zu ScaNN-Indizes finden Sie auf den folgenden Seiten:

DML-Invalidierungen aufgrund der Beschleunigung mit der spaltenbasierten Engine verarbeiten

Wenn Sie Ihre Vektorsuchen mit der spaltenbasierten Engine beschleunigen, beachten Sie, dass DML- und DDL-Invalidierungen für die Basistabellen die Leistung von Vektorabfragen beeinträchtigen können. Bei hohem DML-Durchsatz sollten Sie das Datenbank-Flag google_columnar_engine.refresh_threshold_percentage anpassen oder den Index manuell mit dem Befehl google_columnar_engine_refresh_index aktualisieren.

Abfragen analysieren

Verwenden Sie den Befehl EXPLAIN ANALYZE, um Ihre Query Insights zu analysieren, wie in der folgenden SQL-Beispielabfrage gezeigt.

  EXPLAIN ANALYZE SELECT result-column
  FROM my_table
  ORDER BY EMBEDDING_COLUMN <-> embedding('text-embedding-005', 'What is a database?')::vector
  LIMIT 1;

Die Beispielantwort QUERY PLAN enthält Informationen wie die benötigte Zeit, die Anzahl der gescannten oder zurückgegebenen Zeilen und die verwendeten Ressourcen.

Limit  (cost=0.42..15.27 rows=1 width=32) (actual time=0.106..0.132 rows=1 loops=1)
  ->  Index Scan using my_scann_index on my_table  (cost=0.42..858027.93 rows=100000 width=32) (actual time=0.105..0.129 rows=1 loops=1)
        Order By: (embedding_column <-> embedding('text-embedding-005', 'What is a database?')::vector(768))
        Limit value: 1
Planning Time: 0.354 ms
Execution Time: 0.141 ms

Messwerte für Vektorindex ansehen

Mit Vektorindex-Messwerten können Sie die Leistung Ihres Vektorindex prüfen, Bereiche mit Verbesserungspotenzial identifizieren und Ihren Index bei Bedarf anhand der Messwerte optimieren. In der Ansicht pg_stat_ann_indexes können Sie den Status der Indexnutzung nachvollziehen. Die Ansicht pg_stat_ann_index_creation enthält Informationen zu Zeilen, die zum Zeitpunkt der Indexerstellung erstellt wurden.

Führen Sie den folgenden Befehl aus, um Messwerte zur Indexauslastung aufzurufen:

SELECT * FROM pg_stat_ann_indexes;

Die Ausgabe sollte in etwa so aussehen:

-[ RECORD 1 ]----------+---------------------------------------------------------------------------
relid                  | 271236
indexrelid             | 271242
schemaname             | public
relname                | t1
indexrelname           | t1_ix1
indextype              | scann
indexconfig            | {num_leaves=100,max_num_levels=1,quantizer=SQ8}
indexsize              | 832 kB
indexscan              | 0
insertcount            | 250
deletecount            | 0
updatecount            | 0
partitioncount         | 100
distribution           | {"average": 3.54, "maximum": 37, "minimum": 0, "outliers": [37, 12, 11, 10, 10, 9, 9, 9, 9, 9]}
distributionpercentile |{"10": { "num_vectors": 0, "num_partitions": 0 }, "25": { "num_vectors": 0, "num_partitions": 30 }, "50": { "num_vectors": 3, "num_partitions": 30 }, "75": { "num_vectors": 5, "num_partitions": 19 }, "90": { "num_vectors": 7, "num_partitions": 11 }, "95": { "num_vectors": 9, "num_partitions": 5 }, "99": { "num_vectors": 12, "num_partitions": 4 }, "100": { "num_vectors": 37, "num_partitions": 1 }}

Führen Sie den folgenden Befehl aus, um die Anzahl der Zeilen aufzurufen, die zum Zeitpunkt der Indexerstellung erstellt wurden:

SELECT * FROM pg_stat_ann_index_creation;

Die Ausgabe sollte in etwa so aussehen:

-[ RECORD 1 ]----------+---------------------------------------------------------------------------
relid                         | 271236
indexrelid                    | 271242
schemaname                    | public
relname                       | t1
indexrelname                  | t1_ix1
index_rows_at_creation_time   | 262144

Weitere Informationen zur vollständigen Liste der Messwerte finden Sie unter Messwerte für Vektorindex.

Nächste Schritte